論文の概要: When Fusion Helps and When It Breaks: View-Aligned Robustness in Same-Source Financial Imaging

• arxiv url: http://arxiv.org/abs/2602.11020v1
• Date: Wed, 11 Feb 2026 16:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:02.202951
• Title: When Fusion Helps and When It Breaks: View-Aligned Robustness in Same-Source Financial Imaging
• Title（参考訳）: 核融合が助けになる時と、それが壊れる時--同じソースのファイナンシャル・イメージングにおける視野調整されたロバスト性
• Authors: Rui Ma,
• Abstract要約: 金融画像表現を用いた次世代の方向予測のための,同ソース多視点学習と対向ロバスト性について検討する。 我々は,OHLCVレンダリング価格/ボリュームチャートと技術指標行列の2つのウィンドウアラインビューを構築した。 FGSMとPGDを用いたL-infinity摂動実験を,一方の視点を摂動する視野拘束型攻撃と、両方を摂動する関節攻撃の2つの脅威シナリオで評価した。
• 参考スコア（独自算出の注目度）: 4.857561672498819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study same-source multi-view learning and adversarial robustness for next-day direction prediction with financial image representations. On Shanghai Gold Exchange (SGE) spot gold data (2005-2025), we construct two window-aligned views from each rolling window: an OHLCV-rendered price/volume chart and a technical-indicator matrix. To ensure reliable evaluation, we adopt leakage-resistant time-block splits with embargo and use Matthews correlation coefficient (MCC). We find that results depend strongly on the label-noise regime: we apply an ex-post minimum-movement filter that discards samples with realized next-day absolute return below tau to define evaluation subsets with reduced near-zero label ambiguity. This induces a non-monotonic data-noise trade-off that can reveal predictive signal but eventually increases variance as sample size shrinks; the filter is used for offline benchmark construction rather than an inference-time decision rule. In the stabilized subsets, fusion is regime dependent: early fusion by channel stacking can exhibit negative transfer, whereas late fusion with dual encoders and a fusion head provides the dominant clean-performance gains; cross-view consistency regularization has secondary, backbone-dependent effects. We further evaluate test-time L-infinity perturbations using FGSM and PGD under two threat scenarios: view-constrained attacks that perturb one view and joint attacks that perturb both. We observe severe vulnerability at tiny budgets with strong view asymmetry. Late fusion consistently improves robustness under view-constrained attacks, but joint attacks remain challenging and can still cause substantial worst-case degradation.
• Abstract（参考訳）: 金融画像表現を用いた次世代の方向予測のための,同ソース多視点学習と対向ロバスト性について検討する。 上海金物取引所(SGE)のスポットゴールドデータ(2005-2025)では,OHLCVレンダリング価格/ボリュームチャートと技術指標行列の2つのウィンドウアラインビューを構築した。 信頼性評価のために,エンバーゴによるリーク抵抗時間ブロックスプリットを採用し,マシューズ相関係数(MCC)を用いた。 結果がラベルノイズに強く依存していることが判明した: 後続の絶対リターンを実現したサンプルをタウの下に捨てるポスト最小移動フィルタを適用して、ほぼゼロのラベルの曖昧さを減らした評価サブセットを定義する。 これは、予測信号を明らかにすることができるが、サンプルサイズが縮小するにつれてばらつきが増大する非単調なデータノイズトレードオフを誘導し、フィルタは推論時間決定ルールではなくオフラインベンチマーク構築に使用される。 チャネル積み重ねによる早期核融合は負の遷移を示すが、二重エンコーダと融合ヘッドとの後期核融合は支配的なクリーンパフォーマンス向上をもたらす。 さらに,FGSMとPGDによるL-infinity摂動を2つの脅威シナリオで評価した。 我々は、強い視野の非対称性を持つ小さな予算で深刻な脆弱性を観察する。 後期核融合は、視野に拘束された攻撃下での堅牢性を継続的に改善するが、共同攻撃は依然として困難なままであり、最悪のケースを著しく悪化させる可能性がある。

関連論文リスト

• Same Answer, Different Representations: Hidden instability in VLMs [65.36933543377346]
  本稿では,内部埋め込みドリフト,スペクトル感度,構造的滑らかさを計測する表現認識・周波数認識評価フレームワークを提案する。 このフレームワークを,SEEDBench,MMMU,POPEデータセットを対象とする最新のビジョン言語モデル(VLM)に適用する。
  論文  参考訳（メタデータ） (2026-02-06T12:24:26Z)
• Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination [8.826173150779145]
  分散ロバストな最適化(DRO)は、あいまいさセットよりも最悪のケースで予想される損失を最小化する。 我々は,IPクレダルセットが,解釈可能な許容レベルを持つDRO目標にどのように変換されるかを示す。
  論文  参考訳（メタデータ） (2026-01-29T06:37:36Z)
• AC2L-GAD: Active Counterfactual Contrastive Learning for Graph Anomaly Detection [15.639397005651558]
  本稿では,AC2L-GAD(Active Counterfactual Contrastive Learning framework)を提案する。 本稿では,AC2L-GADが最先端のベースラインと比較して,競争力や優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-01-29T02:11:56Z)
• Why not Collaborative Filtering in Dual View? Bridging Sparse and Dense Models [17.01882282913444]
  協調フィルタリングは現代のレコメンデーターシステムの基盤となっている。 密埋め込みのセマンティック表現性とスパース相互作用パターンの構造的信頼性を統合した統合フレームワークSaD(Sparse and Dense)を提案する。 これら2つの視点を整合させることで、より優れたグローバルSNRが得られることを示す。
  論文  参考訳（メタデータ） (2026-01-14T08:47:07Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Catching Contamination Before Generation: Spectral Kill Switches for Agents [0.0]
  本稿では,フォワードパスのみを使用してエージェント実行中にバイナリ受信や拒否信号を出力する診断手法を提案する。 この手法は、注意によって誘導されるトークングラフを分析し、初期層における2つのスペクトル統計量を計算する。 ベイズ感覚では, 高頻度エネルギー比の1つの閾値が, 文脈の不整合を検出するのに最適であることを示す。
  論文  参考訳（メタデータ） (2025-11-08T02:24:05Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• Decoupling Pixel Flipping and Occlusion Strategy for Consistent XAI Benchmarks [1.068128849363198]
  閉塞戦略は、単純な平均置換から、最先端拡散モデルによる塗装まで、大きく異なる可能性がある。 PFベンチマークは、ランキングに矛盾する結果となった。 特徴は、最も影響力のある第1(MIF)から始まるか、最も影響力の低い第1(LIF)から削除される。
  論文  参考訳（メタデータ） (2024-01-12T16:01:17Z)
• Clustered Switchback Designs for Experimentation Under Spatio-temporal Interference [44.644520116360106]
  我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。 そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。 良好なクラスタリングを許容するグラフに対して, トラッピングされたHorvitz-Thompson推定器が$tilde O(1/NT)$平均二乗誤差(MSE)を達成することを示す。 我々の結果は、citethu2022switchback、ugander2013graph、citetleung2022rateの結果を同時に一般化する。
  論文  参考訳（メタデータ） (2023-12-25T01:00:58Z)
• Mutual Wasserstein Discrepancy Minimization for Sequential Recommendation [82.0801585843835]
  逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。 また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
  論文  参考訳（メタデータ） (2023-01-28T13:38:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。